量化金融分析AQF（12）：配对交易 Pair trading - 考虑时间序列平稳性、协整关系

目录

1. 数据准备 & 回测准备

2. 策略开发思路

3.产生交易信号

3. 计算策略年化收益并可视化

4.总结

---

 

上节说到，做2只股票配对交易，先判断2只股票的平稳性，不平稳就做一阶差分和协整关系

这篇博客就要来说协整关系

协整关系简单的说就是2只股票的线性组合，并且这个组合是平稳的。

先感性的认识：

A股票的价格序列为X，B股票的价格序列为Y. 用X、Y做线性回归，就可以得出线性方程：

xy线性组合：

由上面的公式可以知道：xy的线性方程，由CFA一级的知识可以知道：（没考过cfa应该不知道，记住即可，具体啰嗦，不谈。）

ε均值是0，方差是稳定的一个常数。既满足正态分布。

 

GitHub源代码：https://github.com/455125158/CSDN-AQF

 

import pandas as pd
import numpy as np
import tushare as ts
import seaborn
%matplotlib inline
from matplotlib import pyplot as plt
stocks_pair = ['600199', '600702']

1. 数据准备 & 回测准备

data1 = ts.get_k_data('600199', '2013-06-01', '2014-12-31')[['date','close']]
data2 = ts.get_k_data('600702', '2013-06-01', '2014-12-31')['close']
# 拼接
data = pd.concat([data1, data2], axis=1)
data.set_index('date',inplace = True)
data.columns = stocks_pair

data.plot(figsize= (8,6))

 

2. 策略开发思路

 

先判断2只股票的相关性：

data.corr()                    # 相关性矩阵

plt.figure(figsize =(10,8))
plt.title('Stock Correlation')
plt.plot(data['600199'], data['600702'], '.')
plt.xlabel('600199')
plt.ylabel('600702')
data.dropna(inplace = True)

可以看出2只股票有一定线性关系，并且前段时间的价差稳定，后段时间平稳性较差。可以使用线性回归找到2者的线性关系。

[slope, intercept] = np.polyfit(data.iloc[:,0], data.iloc[:,1], 1).round(2) 
# 1次回归
slope,intercept

slope：斜率        intercept：截距

可以得出：  (0.97, 4.28)

既：误差spread=y-4.29-0.97x     其中y：199股票   x:702股票

data['spread'] = data.iloc[:,1] - data.iloc[:,0]*slope - intercept   
data['spread'].plot(figsize = (10,8),title = 'Price Spread')

均值在0左右。再次标准化。

data['zscore'] = (data['spread'] - data['spread'].mean())/data['spread'].std()   #标准化，  .std()方差 

data['zscore'].plot(figsize = (10,8),title = 'Z-score')
plt.axhline(1.5, color = 'r')
plt.axhline(0)
plt.axhline(-1.5, color = 'r')

 

3.产生交易信号

position_1：

图解：

data['position_1'] = np.where(data['zscore'] > 1.5, 1, np.nan)
data['position_1'] = np.where(data['zscore'] < -1.5, -1, data['position_1'])
data['position_1'] = np.where(abs(data['zscore']) < 0.5, 0, data['position_1'])

data['position_1'] = data['position_1'].fillna(method = 'ffill')
#填充nan

data['position_1'].plot(ylim=[-1.1, 1.1], figsize=(10, 6),title = 'Trading Signal_Uptrade')

position_2：

data['position_2'] = -np.sign(data['position_1'])
data['position_2'].plot(ylim=[-1.1, 1.1], figsize=(10, 6),title = 'Trading Signal_Downtrade')

 

3. 计算策略年化收益并可视化

data['returns_1'] = np.log(data['600199'] / data['600199'].shift(1))
data['returns_1'] = np.log(data['600199'] / data['600199'].shift(1))
data['strategy'] = 0.5*(data['position_1'].shift(1) * data['returns_1'])+0.5*(data['position_2'].shift(1) * data['returns_2'])
#  等权
data[['returns_1','returns_2','strategy']].dropna().cumsum().apply(np.exp).plot(figsize=(10, 8),title = 'Strategy_Backtesting')

 

 

4.总结

策略的思考

1. 对多只ETF进行配对交易，是很多实盘量化基金的交易策略；

策略的风险和问题：

1. Spread不回归的风险，当市场结构发生重大改变时，用过去历史回归出来的Spread会发生不回归的重大风险；

2. 中国市场做空受到限制，策略中有部分做空的收益是无法获得的；

3. 回归系数需要Rebalancing（系数要改变）；

4. 策略没有考虑交易成本和其他成本；